邵阳公司网站建设网站制作哪些分类

邵阳公司网站建设,网站制作哪些分类,南京网站设计机构,邯郸网站建设哪能做一、概述在前文我们已经详细说明了SSR单尺度低光图像增强算法了#xff0c;作为一种传统的低光图像增强算法#xff0c;SSR只能作为理论学习的算法#xff0c;帮助我们了解视网膜算法#xff0c;学习颜色恒常性理论知识#xff0c;SSR是不足以算真正的图像增强算法的…一、概述在前文我们已经详细说明了SSR单尺度低光图像增强算法了作为一种传统的低光图像增强算法SSR只能作为理论学习的算法帮助我们了解视网膜算法学习颜色恒常性理论知识SSR是不足以算真正的图像增强算法的MSR和MSRCP才是实际应用中真正使用到的低光图像增强算法也就是我们常说的Retinex算法但其实只要前面学习过SSR的这一块就比较简单了MSR多尺度低光图像增强算法顾名思义就是多个 SSR 的加权和SSR只有一个如果选的比较大虽然能够增强局部对比度但也会导致噪声增大边缘锐化。如果选的比较小全局亮度比较好但局部细节会有所缺失MSR正是通过使用多个进行加权求和MSR 是多尺度光照补偿的稳健融合。那MSRCP是什么呢其实他和MSR差不多但MSRCP 在 Retinex 增强亮度和对比度的同时有效保持颜色比例避免颜色失真具有良好的稳定性和视觉一致性。下面我将具体说明三种算法。二、单尺度SSR低光图像增强算法前文已经写过了这里不多说了SSR其实就是通过高斯模糊来估计光照分量然后通过减去光照分量得到反射分量而反射分量正是模拟我们人眼视网膜所看到的图像具有颜色恒常性不会随光照的变换而改变它的颜色。具体代码如下#include opencv2/opencv.hpp #include iostream // SSR 单尺度 Retinex cv::Mat SSR(const cv::Mat srcGray, double sigma) { CV_Assert(srcGray.channels() 1); // 1. 转 double cv::Mat img; srcGray.convertTo(img, CV_64F); // 2. 高斯模糊估计光照 cv::Mat blur; int ksize int(6 * sigma 1) | 1; // 保证为奇数 cv::GaussianBlur(img, blur, cv::Size(ksize, ksize), sigma); // 3. Retinex 核心公式 cv::Mat retinex; cv::log(img 1.0, img); cv::log(blur 1.0, blur); retinex img - blur; // 4. 动态范围压缩归一化 double minVal, maxVal; cv::minMaxLoc(retinex, minVal, maxVal); retinex (retinex - minVal) * 255.0 / (maxVal - minVal 1e-6); // 5. 转回 8-bit cv::Mat dst; retinex.convertTo(dst, CV_8UC1); return dst; }三、MSRCP彩色图像增强恢复算法MSR其实就是在SSR的基础上进行多个进行加权求和而MSRCP其实就是做了一个图像恢复这里我们提供一个代码代码如下cv::Mat MSRCP(const cv::Mat image, std::vectordouble sigmas, std::vectordouble weights, int kSize) { CV_Assert(sigmas.size() weights.size()); if (image.channels() 1) { cv::Mat msr cv::Mat::zeros(image.size(), CV_64F); for (size_t i 0; i sigmas.size(); i) msr weights[i] * SSR(image, sigmas[i], kSize); return postProcess(msr, 0.01); } // 彩色图 std::vectorcv::Mat channels; cv::split(image, channels); cv::Mat avg (channels[0] channels[1] channels[2]) / 3.0; avg.convertTo(avg, CV_64F); cv::Mat Lmsr cv::Mat::zeros(avg.size(), CV_64F); for (size_t i 0; i sigmas.size(); i) Lmsr weights[i] * SSR(avg, sigmas[i], kSize); Lmsr postProcess(Lmsr, 0.01); Lmsr.convertTo(Lmsr, CV_64F); std::vectorcv::Mat out(3); for (int c 0; c 3; c) { cv::Mat ch; channels[c].convertTo(ch, CV_64F); out[c] ch.mul(Lmsr) / (avg 1e-6); out[c].setTo(0, out[c] 0); out[c].setTo(255, out[c] 255); out[c].convertTo(out[c], CV_8UC1); } cv::Mat dst; cv::merge(out, dst); return dst; }五、后处理这里我们不采用和SSR算法一样直接使用normalize归一化到[0,255]之间而是采用过程化的后处理方式因为Retinex算法得到的是对数域下的反射分量数值分布通常长尾、非对称、含强噪声和极端亮暗点。如果直接用cv::normalize(min-max)最大值和最小值往往由极少数噪声像素或高光点决定导致大部分像素被压缩到很窄的灰度范围里画面发灰、对比度不足。我们采用先按百分位裁掉两端的异常值cut再在“可信区间”内做线性拉伸相当于一种鲁棒的动态范围压缩这是 Retinex 系列论文和工程实现中最常见、最稳定的做法比直接 normalize 更符合人眼感知。代码如下// 后处理 cv::Mat postProcess(const cv::Mat channel, double cut) { cv::Mat result channel.clone(); cv::Mat flat result.reshape(1, 1).clone(); cv::sort(flat, flat, cv::SORT_ASCENDING); int total flat.cols; int low_idx std::min(std::max(0, int(total * cut)), total - 1); int high_idx std::min(std::max(0, int(total * (1 - cut))), total - 1); double lowVal flat.atdouble(0, low_idx); double highVal flat.atdouble(0, high_idx); double scale 255.0 / (highVal - lowVal 1e-6); // 归一化到255上 result (result - lowVal) * scale; result.setTo(0, result 0); result.setTo(255, result 255); result.convertTo(result, CV_8UC1); return result; }六、测试